当今现在最为主流的智能算法总结

当今现在最为主流的智能算法总结低层次的智能存在于动物的神经细胞结成的神经网路中.神经生理学和神经 解剖学的研究表明，神经元是神经系统姑构与功能的单位韩立群，2007.生物 神经网络中的各神经元之间连接的强弱按照外部的激励信号做自适应的变化,而每个神绐元又随着接受信号的强弱呈现兴奋与抑制状态。大脑的学习过程就是 神经元之间连接强度随外部激励信息作自适应变化的过程，大脑处理信息的结果 由各种神经元状态的整体结果确定。虽然单个神经元的功能相当简单，但是很多 个神经元连接在一起后却可以完成相当复杂的任务以至于实现“智能二人工神 经网络就是人们试图在神经细胞这一层次上模拟智能取得的成果。本文第3章 3.3.1 小节将讨论径向基函数(RBF) Park, et al., 1991： Park, et aL, 1993 网络和模糊神经网络(FNN) Jiang, 1993; Jiang, et al. , 1997在统计建模上 的应用。较高层次的智能可以从一些动物的群体活动中找到。比如，自然界中蚂蚁互 相协作找到从蚁巢到食物源的最佳路径，而且出现障碍后能很快重新找到最佳路 役；再如鸟类迁徙或者鱼类涸游时，生命体会尽量与群体运动保持一致，并使自 己尽量处于最佳位置。在这个层次上意大利学者Dorigo提出了蚁群优化(Ant Colony Optimization, ACO)算法Dorigo, et aL , 1996; Dorigo, ct al., 1997 Eberhart 和 Kennedy 提出 了粒子群优化(Paritele Swarm Optimization, PSO) 算法Kennedy, et al., 1995; Kennedy, 1997k这些算法模拟了动物群体行为 中的智能，并且在实际应用中己经取得了不错的成果。本文第一章1.2.4节将简 要介绍蚊群优化算法的原理：本文第二煮将详细讨论粒子群算法的原理、改进： 第三、四章将讨论粒子群算法的应用。更高层次的智能存在于生物的遗传和迸化上。一个生物物种要在地球上持续 生存，必须要能适应环境的变化。从某种意义上来说，生命体本身必定具备某种 (隐含的)智能和策略，使之能整体上适应环境。我们认为这种策略必须是全局 性的，它可以牺牲某些个体的生存而达到整体的最优适应;这种策略是多解性的， 即可以保证同种生物内部的多样性；这种策路同时具有很强的适应能力，不同的 生物在不同的环境中都使用类似的策略。生物学的研究己经揭示了这种策略的微 观实质，即生物繁殖时遗传物质的复制、交换和变异 1997正是在这一层次上模拟 智能。本文第一章1.2.3节筒要介绍遗传算法的原理综上所述，我们可以初步定义智能算法为：借鉴和利用自然界中自然现象或 者生物篇的各种原理和机能而开发的计算方法。智能算法一般具有如下特性：(1) 能处理真实世界的定性或者定量的、不完整的、不确定的信息；(2)具备自适应 的归纳、综合和学习能力；(3)具有潜在的并行处理能力。目前比较成熟的智能算法有许多，在优化算法类别上主要包括：遗传算法、 蚁群优化算法和免疫优化算法等;在模型结构上则有:神经网络、支持向量机(SVM) Cristianini, et al., 2000、小脑神经网络和模糊神经网络等；其他较有影 响力的理论包括：自适应共振浬论神经网络Carpenter, et al.,1999、自组织 特征映射(SOM)神经网络和聚合神经网结算法谢益辉等，2008。下面以免疫优 化算法、遗传算法和蚁群优化算法为样本，考察智能算法的基本原理与应用的若 干个侧面。1.2.2免疫优化算法免疫优化算法是受生物免疫系统的启示而设计出来的一种具有全局寻优能 力的新型算法。人们认识到免疫系统具有高效防御能力的首要原因就是免疫系统 是一个高效的信息处理系统葛红, 2002。研究表明，当病茜入侵时，免疫系统 首先要识别这一抗原然后才能产生对应的抗体消灭它，面对大量的不同种类的抗 原，免疫系统都必须先识别再消灭，这就是免疫系统的识别多样性的特性。免疫系统的特点包括：第一，免疫细胞识别抗原的不完全匹配性。第二，基 于不完全匹配性，种免疫细胞可以识别多种不同的抗原。第三，在漫长的生物 进化过程中，免疫系统当然也会随之不断进化。第四，免疫反应中的“细胞超变 异”(Somatic Hyper-mutation)现象也是早致识别多样性的重要因素，进一步 提高7免疫反应的识别多样性能力。免疫算法的设计正是对这些特性的模拟。例如，免疫系统的识别多样性为我 们带来沸多的启示，此特性的数学抽象可以描述为对多峰值函数的寻优问题。 Dasg叩ta (1999)提出了基于信息炳的免疫算法，可以作为一种有效的多峰值函数 寻优算法，且具有保持全局多样性及快速收敛的特性。王磊等(2000)中提出一种 新的优化方法，该算法通过引入“免疫算子”(接种疫苗和免疫选择)，在算法中模拟了人体免疫系统所特有的自适应性和人工免疫这一加强人体免疫系统的手 段，使构造出的算法具有快速全局收敛的良好性能。胡纯德等(2004)提出一种基 于人工免疫算法和蚁群算法的混合算法，采用人工免疲算法生成信息素分布，利 用蚁群算法求优化解。将该算法用于求解旅行商问题，结果表明该算法是一种收 敛速度和寻优能力都比较好的优化方法。1.2.3遗传算法遗传算法是借鉴生物进化的一些特征，模拟生物的自然选择和遗传机制而形 成的一种自适应全局优化概率搜索算法依据ii尔文“适者生存”的理论，在不 断变化的自然环境中，只有那 些适应性好的个体才能存活 下来，并通过遗传机制将好的 特性传递给其后代。与此同时, 在遗传过程或透应环境过程 中，个体发生了变异，具有了 适应环境的能力，图1.1遗传算法流程图遗传算法本质上采用“进 化论”思想，在问题处理过程 中，往往采用离散化过程，假 定其进化次数为t = l.r：假 定长度为71的染色体表示为符 号串* = *1轮E*”其中记号 为(1,2,.,71)代表一个遗传基 因，它的所有可能取值称为等 位基因；所有等位基因的蛆合构成了解的基本空间：/I = Xj X X2 X . X Xn = npli Xi(1. 1)处于进化时刻匕的群体记为A(t);与此进化次数对应的环境记为B(t),并假定各 进化次数对应的环境B(t)是相互独立的：群体对环窟的适应能力记为C(t)：自然 选择4和遗传机制作用下生成新的解集群体(t + 1)：A(t + l) = dQ(t)C(。)(1.2)依据达尔文的自然进化理论，适应环境的物种生存下来，不适应环境的物种 则被淘汰。因而环境在生物群体的进化过程中起看至关重要的作用，我们不能简 单的考察群体对某一特定环境的适应情况，而应该研究群体在动态的环境之中的 进化过程，因此上一模型中仅考虑到群钵对当前进化次数对应的环境的适应能力 是不合理的。为此，我们引入一个新的变量Eb =反映 了此进化次数之前群纬与环境的动态适应历史信息，从而更贴切的再现了群体的 自然进化过程。故上述模型修改为：A(t + 1) * W(t),C(t),Et)(1.3)其中Ffi(t + 1)的生成反映了在群体自然进化过程中，自然选择和遗传机制的处 理方式：EB(f+l) = deG，C(t)(1.4)新的解集群体的生成可以理解为一个随机过程。对于有限的解集空间，X = Mxz.%,n=|X|,当，在自然选择和遗传机制作用下生成新的解集群体 A(E + l)*|q = L2，,”的概率为PM = 1)(1.5)则上述改进模型可以改写为；p(t+i)= de(mmFB(o)(1.6)群体对环境3(/的适应性测度一般采用大于等于0的实数表示，表示为：向(旭)=心北),6(0)其中火割表示处于r进化次数的群体4 (W对环境3的适应性。一旦群体或环 境发生变化，那么群体适应环境的能力也随之发生变化，适应性浏度函数也会做 相应的调整：(1.7)Ptr.t+i = #心日,/(),。(匕)在I进化次数，群体对环境的适应能力CQ)可以表示为：C(t) =心(。)(1.8)当环境和群体变化时，自然选择和遗传机制嘲也需要进行适应性调整。自然 选择和遗传机制的调整应该考虑当前机制作用的群体，当前群体对环境的适应能力C(t),群体与环境的动态适应历史信息0(。，历史自然选择和遗传机制 Ed(t) =V d(l),d(2)，,d(t-i),d(e)等，表述如下：如 + 1) =g(A(Q,C(t),和(1.9) 群体适应环境的整个进化阶段中，群体的适应性测度为F(7) =器择(1-10)群体对环境的适应过程与自然选择和遗传机制Ed(O紧密相关。在自然选择和遗 传机制Ed.(t) =下，整个进化阶段，群体的适 应性测度为：F(T,Edi(T)=卵=i如山(。)(1. H)对于全局最小值优化模型，假设进化阶段获得最小累计支付的适应计划是最佳 的：广小叽止山(电(7) 参考控制理论的相关信息，一个复杂系统的适应计划F仰)= 称为满意适应计划，如果满足：称F(E&(r)是一个满意的适应计划，如果对于某一给定的环境变化Br =满足:F(Fd.(D)! 1 a(1.12)(1.13)(1.14)(1.15)(1.16)日寸)- 其中a(0 a0 )步骤2：移动蚂蚊1到小使之向终点运动.蚂蚁由当前位置i转移到下一位位置j 的概率为(1,17)P=0)= V , 9 * = L次2Lry其中M是与位置，相连的所有位置的集合。步骤3,在所有只蚂蚁到达终点后，按下式更新各条路径上的信息素,m侦+1)=舛(。十略日(1.18)其中，Q是信息素的挥发常数，洛表示蚂蚊&在路径研上留下的信息素强度，一 般定义为vy -JT(L 19)%其中，C是常数，g为路径对于蚂蚊上来说的长度。步骤4: / = U若达到最大的循环次数或者满足停止标准，则输出最优路径, 算法结束；否则返回步骤2。目前蚁群优化算法的应用整体上可以分为两大类：组台优化问题和函数优化 问题。组合优化问题又可分为静态组合优化问题和动态组合优化问题。静态问题 指的是这样的一类问题：当问题被定义时，问题的特征和参数被一次性的全部给 出，这些特征和参数在问题求解过程中不再改变。传统的经合优化问题都属于这 -类的静态问题，如路径问题、分配问题、排序问题、分类问题等。相反的，动 态问题被定义为某些变量的函数，这些变危的值由一个潜在的动态机制所设置a 因此在问题求解过程中问题的特征和参数会发生变化，优化算法必须能适应这种 在线的环境变化，致群优化算法对于动态向题最为成功的应用之一就是动态网络 路由的优化。.在当今社会，低碳、节能和环保成为人们日益关注的问题。在工业界，关于 如何提高工业过程的生产效率、降低过程的能耗也成为工程研究的热点。国内外 经验表明，过程建模、先进控制与优化技术是提高企业经济效益、降低生产成本 的主要手段，其主要原因包括：一方面，实现过程建模是实施先进控制和动态优化的基础，当前流程工业企 业的综合化要求生产过程的大规模化，并能实现整个生产过程的最优设计、最优 控制和最优管理以及在安全可靠、对环境污染小的情况下连续正常的运行。建立 工业过程系统精确的模型无论是对过程的本质特性研究还是实际生产过程的控 制、优化、仿真，均具有重要的现实意义；另一方面，实现过程动态的优化具有很高的经济回报。Chemshare公司研究 结果表明，实现过程优化是获得企业经济效益的关键，闭环在线优化所带来的经 济效益相当于DCS和各种先进控制手段所带来的经济效益的总和，但其投资只有 后者的三分之一刘兴高，2007o钱伯章(1994)认为：在线优化获益要比先进控 制高25倍。匡卓贤(1995)提供的数据表明，世界范围产出和投入的比分别为; APC, 1.5： 1；优化，15.5： h朱学峰(1999)也指出:采用优化操作能使操作点 向优化点靠近，取得的经济效益更加明显，经验表明在线优化比先进控制的投入 产出比要高出510倍。可见，在线优化的成功实施是企业获取最大经济效益的 必要保证。智能算法在过程工业建模与优化控制上的重要性己经越来越受到工程人员 的认同，究其原因主要有以下几点：第一，随着目前工厂信息化技术的进一步提 高，数据的采集已经不成问题，而对已有数据进行大规模分析处理的需求大彝:增 加：第二，传统的单纯基于过程机理分析的建模以及优化方法在工业过程中的应 用条件受到限制，并旦无法满足的当前大规模数据处理的要求；第三，智能算法 具有较高的并行计算效率，在大规模数据处理方面有天然的优势，算法实现成本 低且应用灵活。研究者己经将智能算法应用在过程建模的多个方面。Rai 10等(2002)应用模 糊ARTMAP网络以及自适应SOM M络对过程低密度聚乙烯(LDPE)生产过程中的 重要过程变量进行建模预报，取得了相比传统模型更好的预报效果。秦见华等 (2005)应用改进蚊群算法对苯-甲苯闪蒸过程进行了优化仿真计算，在有效地调 整温度、压力及分流系数的条件下，使得汽相产物中苯的产量达到最大，实现了 苯-甲苯闪蒸过程的最优化。Achichea等(2007)应用模糊决策系统以及遗传算法 对纸浆生产过程中的纸张亮度进行统计建模，所得模型能够较精确的遍近分析值。 王学厚等(2008)将基于正交最小二乘(01司算法的径向基(RBF)神经网络和粒子 群优化(PSO)算法相结合对热工系统的复杂对象进行辨识仿真。通过对电厂一次 风量数据和平均床温数据的仿真实验，通过使用RBF神经网络对大迟延对象进行 辨识以及使用PSO算法进一步确定最佳退延时间，得到了更精确的模型并提高了 辨识效率。智能算法在过程优化控制上也有许多应用。李赣平(2007)提出一种基于支持 向量机的闾歇过程批次优化控制方法，该方案具有较强鲁棒性，并能够是适用于 带约束以及无约束优化控制要求；提出基于迭代粒子群优化算法的间歇过程优化, 表明粒子群算法在复杂的动态系统优化中能取得很好的效果。Ahmad和 Zhang(2008)提出了一种针对间歇过程的基于Bootstrap聚合神经网络的多部目 标优化控制方法，使用BAGNET为间歇过程建立模型从而避免了建立机理模型的 困难，并提高了模型的精度和可靠性。肖本贤等(2008)提出将改进粒子群优化算 法(MPSO)融合到神经网络预测控制中，提出了基于MPS0-RBF混合优化策略的模 型预测器，以及基f MPS0算法的非线性优化控制器，X寸某超临界600 MW直流锅 炉高温过热器的过热汽温控制，结果表明该方法具有良好的性能指标和应用前景。 Aruniugam等(2008)等应用PSO算法用于两阶段钢退火工艺中的最优控制参数的 计算。